IA em oftalmologia e retinopatia

Algoritmos de aprendizado profundo são confiáveis para detectar edema macular diabético em imagens de OCT e de fundo de olho?

Resposta

O edema macular diabético é uma causa importante de perda visual em idade produtiva. Métodos de aprendizado profundo têm sido desenvolvidos para detectar a condição a partir de imagens bidimensionais de retina e de tomografia de coerência óptica (OCT). A performance desses algoritmos varia e muitas vezes gera dúvida sobre sua utilidade clínica.

Esta meta-análise reuniu 53 estudos que avaliaram modelos de aprendizado profundo em um total de 1.414.169 volumes de OCT, B-scans, pacientes e 472.328 imagens de fundo de olho. A área sob a curva ROC global foi de 0,9727. A sensibilidade geral para detectar edema macular diabético usando imagens de OCT foi de 96% (IC 95%: 0,94-0,98) e, usando imagens de fundo de olho, foi de 94% (IC 95%: 0,90-0,96).

Os autores também analisaram diversos modelos de aprendizado profundo quanto à precisão, épocas de treinamento, capacidade de detectar anomalias com menos dados de treinamento, conceitos e desafios que aprofundam as aplicações. O objetivo foi fornecer informações pertinentes a grupos de pesquisa, profissionais de saúde e pacientes diabéticos sobre as aplicações de aprendizado profundo no processo de detecção e classificação de imagens de retina.

Em sistemas de saúde com recursos limitados, esses algoritmos podem desempenhar um papel importante na determinação de encaminhamento e tratamento. No entanto, o resumo não informa detalhes sobre a população dos estudos, o desenho individual de cada um, ou possíveis vieses de publicação e heterogeneidade, o que limita conclusões mais definitivas sobre a aplicabilidade clínica imediata.

Para o médico, os achados indicam que a tecnologia tem potencial para auxiliar na triagem e no diagnóstico, mas a implementação requer validação local e consideração das limitações metodológicas. A decisão clínica deve permanecer baseada no julgamento profissional, integrando os resultados dos algoritmos como ferramenta auxiliar e não como substituto da avaliação clínica.

O que o estudo mostrou

Trata-se de uma meta-análise que incluiu 53 estudos, avaliando a performance de modelos de aprendizado profundo para detecção de edema macular diabético. Foram analisados 1.414.169 volumes de OCT, B-scans, pacientes e 472.328 imagens de fundo de olho. A AUROC global foi de 0,9727. A sensibilidade geral foi de 96% (IC 95%: 0,94-0,98) para OCT e 94% (IC 95%: 0,90-0,96) para imagens de fundo de olho. O resumo não informa a sensibilidade específica, especificidade ou outros parâmetros de desempenho.

Limitações

O resumo não informa as características dos estudos incluídos, como desenho, população, critérios de inclusão, ou possíveis fontes de heterogeneidade e viés de publicação. Também não são apresentados dados sobre especificidade, valores preditivos ou desempenho em diferentes subgrupos. Essas lacunas limitam a generalização dos achados e a avaliação da robustez da meta-análise.

Aplicação no consultório

Os resultados sugerem que algoritmos de aprendizado profundo podem auxiliar na triagem de edema macular diabético, especialmente em contextos com recursos limitados, ajudando a priorizar encaminhamentos e tratamentos. No consultório, o médico pode considerar o uso dessas ferramentas como apoio à decisão, mas deve estar atento à necessidade de validação local e à interpretação crítica dos resultados. A gestão do consultório pode se beneficiar da incorporação de tecnologias de triagem para otimizar fluxos de atendimento, desde que haja infraestrutura adequada e treinamento da equipe.

Estudo citado

Deep learning-based detection of diabetic macular edema using optical coherence tomography and fundus images: A meta-analysis. Indian journal of ophthalmology, 2023.
Autores: Manikandan S, Raman R, Rajalakshmi R, Tamilselvi S, Surya RJ.
DOI: 10.4103/IJO.IJO_2614_22 · PubMed: PMID 37203031

Perguntas para aprofundar

• Qual é a especificidade dos modelos de aprendizado profundo para detectar edema macular diabético?
• Como esses algoritmos se comportam em diferentes populações e configurações de imagem?
• Quais são os desafios para implementar esses modelos na prática clínica em larga escala?

Mais sobre IA em oftalmologia e retinopatia

• Qual é o desempenho da inteligência artificial na detecção de edema macular diabético a partir de fotografias de fundo de olho e tomografia de coerência óptica?
• A inteligência artificial melhora a acurácia no rastreamento e diagnóstico do edema macular diabético?
• Algoritmos de aprendizado de máquina podem prever a resposta ao anti-VEGF no edema macular diabético?
• Aprendizado profundo em OCT e imagens retinianas é eficaz para detectar retinopatia diabética?
• A triagem de retinopatia diabética por inteligência artificial em imagens de fundo de campo ultra-amplo tem desempenho diagnóstico confiável?

Todas as perguntas sobre IA em oftalmologia e retinopatia · Todos os temas · Versão em markdown